System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及目标行为分析领域,具体提供一种航班节点事件识别方法、系统、计算机设备及存储介质。
技术介绍
1、民航a-cdm建设政策的颁布与智慧化机场建设发展对航班节点智能识别的需求日益强烈。传统人工记录方式存在较大的局限性,基于ai视觉算法的航班节点识别,能够提高机坪运行效率,降低机场人员的工作量,实现多环节的信息同步和联动。同时,便于可视化也能助力智慧机场建设,加快实现5g+、数字化和智慧化机场。
2、目前,基于ai视觉算法的方法通常级联2d目标检测、目标跟踪、逻辑规则等多阶段方法对各个航班节点事件进行检测识别,但是2d目标检测方法容易受视野遮挡、图像质量不稳定等因素干扰,容易出现误识别或者漏检测,影响识别的准确性和稳定性。
3、相应地,本领域需要一种新的航班节点事件识别方案来解决上述技术问题。
技术实现思路
1、为了克服上述缺陷,提出了本专利技术,以提供解决或至少部分地解决如何更加准确的识别航班节点,从而准确确定航班节点事件是否发生的技术问题的一种航班节点事件识别方法。
2、在第一方面,本专利技术提供一种航班节点事件识别方法,包括:
3、将获取的航班节点事件相关的待识别关键帧图像、以及目标图像序列输入已训练的神经网络模型;其中,所述目标图像序列是通过所述待识别关键帧图像和预设的图像序列长度获取;
4、基于所述神经网络模型,获得所述待识别关键帧图像中目标位置及所述航班节点类别;
5、根据所述目标位置、所述航
6、在一个实施例中,所述神经网络模型包括二维卷积神经网络、三维卷积神经网络、检测网络。
7、在一个实施例中,基于所述神经网络模型,获得所述待识别关键帧图像中目标位置及所述航班节点类别,包括:
8、将所述待识别关键帧图像、所述目标图像序列分别输入所述二维卷积神经网络、所述三维卷积神经网络,并获取基于所述二维卷积神经网络输出的空间特征、三维卷积神经网络输出的时空特征;
9、将所述空间特征和所述时空特征进行特征融合,得到融合特征;
10、将所述融合特征输入所述检测网络,输出所述关键帧图像中目标位置及所述航班节点类别。
11、在一个实施例中,所述三维卷积神经网络输出的时空特征包括以下至少之一:时序特征、空间特征。
12、在一个实施例中,将所述空间特征和所述时空特征输入带注意力的卷积模块,进行特征融合与增强,得到增强后的融合特征。
13、在一个实施例中,将所述融合特征输入所述检测网络中具有卷积结构的检测头,输出所述关键帧图像中目标位置及所述航班节点类别。
14、在一个实施例中,根据所述目标位置、所述航班节点类别,确定对应的航班节点事件。
15、在一个实施例中,基于所述神经网络模型,第一次检测到所述关键帧图像中目标的时间点为所述航班节点事件的开始时间、检测到所述关键帧图像中目标消失的时间点为所述航班节点事件的结束时间;
16、基于所述航班节点事件的开始时间、所述航班节点事件的结束时间、所述航班节点类别,确定对应的航班节点事件。
17、在一个实施例中,所述航班节点事件包括以下至少之一:飞行器出现、飞行器入位停止、放置轮挡、放置雪糕筒、客梯车开始停靠、客梯车停靠完成、机舱门打开、乘客开始下机、乘客下机完成、保洁登机清洁、保洁下机清洁结束、客舱门关闭、加油车开始加油。
18、在一个实施例中,所述目标图像序列是通过所述待识别关键帧图像和预设的图像序列长度获取,包括:
19、预设的图像序列长度为l;
20、以所述待识别关键帧图像为基准,以时间为轴向前读取l帧长度的图像序列,若不足l帧,则重复初始帧图像直至满足l帧。
21、在一个实施例中,在对所述神经网络模型进行训练前,获取所述航班节点事件相关的图像数据,并对所述图像数据中的目标、航班节点类别进行标注,生成所述航班节点事件相关的样本图像集;
22、基于所述样本图像集,对所述神经网络模型进行训练。
23、在一个实施例中,所述方法还包括:获取航班节点事件相关的图像数据的过程为:
24、选定包含所述航班节点事件的视频段;
25、设定采样帧间隔s,获取所述图像数据。
26、在一个实施例中,基于所述样本图像集,对所述神经网络模型进行训练之前,所述方法还包括:
27、对所述样本图像集进行图像预处理;其中,所述图像预处理包括以下操作至少之一:图像缩放、图像亮度调节、图像对比度调整、图像饱和度调整、图像模糊处理。
28、在第二方面,本专利技术提供一种航班节点事件识别系统,包括:
29、输入模块,用于将获取的航班节点事件相关的待识别关键帧图像、以及目标图像序列输入已训练的神经网络模型;其中,所述目标图像序列是通过所述待识别关键帧图像和预设的图像序列长度获取;
30、分析处理模块,用于基于所述神经网络模型,获得所述待识别关键帧图像中目标位置及所述航班节点类别;
31、确定模块,用于根据所述目标位置、所述航班节点类别,确定对应的航班节点事件。
32、在第三方面,提供一种计算机设备,包括处理器和存储装置,其中所述存储器中存储有程序,所述处理器执行所述程序时实现上述方法的技术方案中任一项技术方案所述的航班节点识别方法。
33、在第四方面,提供一种计算机可读存储介质,存储有程序,所述程序被执行时实现上述方法的技术方案中任一项技术方案所述的航班节点识别方法。
34、本专利技术上述一个或多个技术方案,至少具有如下一种或多种有益效果:
35、在实施本专利技术的技术方案中,通过将获取的航班节点事件相关的待识别关键帧图像、以及目标图像序列输入已训练的神经网络模型;其中,所述目标图像序列是通过所述待识别关键帧图像和预设的图像序列长度获取;基于所述神经网络模型,获得所述待识别关键帧图像中目标位置及所述航班节点类别;根据所述目标位置、所述航班节点类别,确定对应的航班节点事件。通过神经网络模型对关键帧图像、目标图像序列的时空特征处理,有效利用前后帧信息,减少了短时间内遮挡等因素对目标检测造成的影响,提高了目标检测、航班节点类别及事件识别的准确性。
36、进一步地,通过时空结合方法一次性获得目标检测定位与航班节点分类、事件识别结果,实现单阶段航班节点事件识别的方法,提高了效率。
本文档来自技高网...【技术保护点】
1.一种航班节点事件识别方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:所述神经网络模型包括二维卷积神经网络、三维卷积神经网络、检测网络。
3.根据权利要求2所述的方法,其特征在于,基于所述神经网络模型,获得所述待识别关键帧图像中目标位置及所述航班节点类别,包括:
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:所述三维卷积神经网络输出的时空特征包括以下至少之一:时序特征、空间特征。
5.根据权利要求3所述的方法,其特征在于,将所述空间特征和所述时空特征输入带注意力的卷积模块,进行特征融合与增强,得到增强后的融合特征。
6.根据权利要求3所述的方法,其特征在于,将所述融合特征输入所述检测网络中具有卷积结构的检测头,输出所述关键帧图像中目标位置及所述航班节点类别。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
8.根据权利要求1所述的方法,其特征在于,所述目标图像序列是通过所述待识别关键帧图像和预设的图像序列长度获取,包括:
9
10.一种航班节点事件识别系统,包括:
11.一种计算机设备,包括处理器和存储装置,其中所述存储器中存储有程序,其特征在于,所述处理器执行所述程序时实现权利要求1至9中任一项所述的方法。
12.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被执行时实现权利要求1至9中任一项所述的方法。
...【技术特征摘要】
1.一种航班节点事件识别方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:所述神经网络模型包括二维卷积神经网络、三维卷积神经网络、检测网络。
3.根据权利要求2所述的方法,其特征在于,基于所述神经网络模型,获得所述待识别关键帧图像中目标位置及所述航班节点类别,包括:
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:所述三维卷积神经网络输出的时空特征包括以下至少之一:时序特征、空间特征。
5.根据权利要求3所述的方法,其特征在于,将所述空间特征和所述时空特征输入带注意力的卷积模块,进行特征融合与增强,得到增强后的融合特征。
6.根据权利要求3所述的方法,其特征在于,将所述融合特征输入...
【专利技术属性】
技术研发人员:陈婷婷,
申请(专利权)人:重庆中科云从科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。